吴恩达《机器学习》ex2作业第二部分Python实现——逻辑回归的正则化

已于 2022-08-20 10:17:05 修改
阅读量1k 收藏 16
点赞数 1
分类专栏： 机器学习 文章标签： 机器学习 python 逻辑回归
于 2022-08-20 10:15:12 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/niuniukeaibu/article/details/126436057
版权

Regularized logistic regression

一、题目再现

        在这一部分的练习中，你将运用正则化的逻辑回归来预测制造工厂的微芯片是否通过质量保证（QA）。在质量保证过程中，每个微芯片都要经过各种测试，以确保其功能正常。

        假设你是工厂的项目经理并且你拥有一些芯片关于两项不同测试的测试结果。根据这两项测试，你可以决定芯片应该被接受还是被拒绝。为了帮助你做出决定，你由一个有关过去芯片的测试结果集，从中可以构建逻辑回归模型。

二、数据集

0.051267,0.69956,1
-0.092742,0.68494,1
-0.21371,0.69225,1
-0.375,0.50219,1
-0.51325,0.46564,1
-0.52477,0.2098,1
-0.39804,0.034357,1
-0.30588,-0.19225,1
0.016705,-0.40424,1
0.13191,-0.51389,1
0.38537,-0.56506,1
0.52938,-0.5212,1
0.63882,-0.24342,1
0.73675,-0.18494,1
0.54666,0.48757,1
0.322,0.5826,1
0.16647,0.53874,1
-0.046659,0.81652,1
-0.17339,0.69956,1
-0.47869,0.63377,1
-0.60541,0.59722,1
-0.62846,0.33406,1
-0.59389,0.005117,1
-0.42108,-0.27266,1
-0.11578,-0.39693,1
0.20104,-0.60161,1
0.46601,-0.53582,1
0.67339,-0.53582,1
-0.13882,0.54605,1
-0.29435,0.77997,1
-0.26555,0.96272,1
-0.16187,0.8019,1
-0.17339,0.64839,1
-0.28283,0.47295,1
-0.36348,0.31213,1
-0.30012,0.027047,1
-0.23675,-0.21418,1
-0.06394,-0.18494,1
0.062788,-0.16301,1
0.22984,-0.41155,1
0.2932,-0.2288,1
0.48329,-0.18494,1
0.64459,-0.14108,1
0.46025,0.012427,1
0.6273,0.15863,1
0.57546,0.26827,1
0.72523,0.44371,1
0.22408,0.52412,1
0.44297,0.67032,1
0.322,0.69225,1
0.13767,0.57529,1
-0.0063364,0.39985,1
-0.092742,0.55336,1
-0.20795,0.35599,1
-0.20795,0.17325,1
-0.43836,0.21711,1
-0.21947,-0.016813,1
-0.13882,-0.27266,1
0.18376,0.93348,0
0.22408,0.77997,0
0.29896,0.61915,0
0.50634,0.75804,0
0.61578,0.7288,0
0.60426,0.59722,0
0.76555,0.50219,0
0.92684,0.3633,0
0.82316,0.27558,0
0.96141,0.085526,0
0.93836,0.012427,0
0.86348,-0.082602,0
0.89804,-0.20687,0
0.85196,-0.36769,0
0.82892,-0.5212,0
0.79435,-0.55775,0
0.59274,-0.7405,0
0.51786,-0.5943,0
0.46601,-0.41886,0
0.35081,-0.57968,0
0.28744,-0.76974,0
0.085829,-0.75512,0
0.14919,-0.57968,0
-0.13306,-0.4481,0
-0.40956,-0.41155,0
-0.39228,-0.25804,0
-0.74366,-0.25804,0
-0.69758,0.041667,0
-0.75518,0.2902,0
-0.69758,0.68494,0
-0.4038,0.70687,0
-0.38076,0.91886,0
-0.50749,0.90424,0
-0.54781,0.70687,0
0.10311,0.77997,0
0.057028,0.91886,0
-0.10426,0.99196,0
-0.081221,1.1089,0
0.28744,1.087,0
0.39689,0.82383,0
0.63882,0.88962,0
0.82316,0.66301,0
0.67339,0.64108,0
1.0709,0.10015,0
-0.046659,-0.57968,0
-0.23675,-0.63816,0
-0.15035,-0.36769,0
-0.49021,-0.3019,0
-0.46717,-0.13377,0
-0.28859,-0.060673,0
-0.61118,-0.067982,0
-0.66302,-0.21418,0
-0.59965,-0.41886,0
-0.72638,-0.082602,0
-0.83007,0.31213,0
-0.72062,0.53874,0
-0.59389,0.49488,0
-0.48445,0.99927,0
-0.0063364,0.99927,0
0.63265,-0.030612,0

三、Python实现思路

1. 引入数据（简单方式）

data = pd.read_csv("D:\BaiduNetdiskDownload\ex2\ex2data2.txt", header=None, names=['测试一', '测试二', '接受'])
print(data.head())

        这一步可以打印出初始数据结果，如下图所示：

 2. 数据可视化——绘制散点图

positive = data[data['接受'].isin([1])]  # 取Admitted这一行，用isin函数查看是否存在1，若存在返回布尔值true1
negetive = data[data['接受'].isin([0])]
fig, ax = plt.subplots(figsize=(8, 5))
ax.scatter(positive['测试一'], positive['测试二'], s=50, c='b', label='接受')
ax.scatter(negetive['测试一'], negetive['测试二'], s=50, c='r', marker='x', label='未接受')
ax.legend()
ax.set_xlabel('测试一')
ax.set_ylabel('测试二')
plt.show()

        这一步将绘制散点图，如下图所示：

3.  特征映射

        为了能很好的拟合，所以我们要进行特征映射，从而得到非线性的决策边界。特征映射将低维特征向量（本例中为二维）转化为高维特征向量（本例中为28维），因为特征向量的个数变多，所以需要用正则化，否则容易出现过拟合。映射的关系图如下图所示：

#1.定义特征映射函数
def feature_mapping(x1,x2,power):
    data={}
    for i in np.arange(power+1):
        for p in np.arange(i+1):
            data["f{}{}".format(i-p,p)]=np.power(x1,i-p)*np.power(x2,p)
    return pd.DataFrame(data)
#2、将特征变量进行特征映射
x1=df['测试一']
x1=x1.values
x2=df['测试二']
x2=x2.values
df2=feature_mapping(x1,x2,6)
print(df2.head())
#3、重新选取变量
X=df2.values  # 将特征映射后得到的变量定义为X
y=df['接受'].values
theta=np.zeros(X.shape[1])

        这一步输出的结果，如下所示：

4. 正则化代价函数

        为了防止过拟合，采用L2正则化方法，代价函数为：

       注意：第一项θ1 不参与正则化

        梯度为：

#1、定义sigmoid函数
def sigmoid(z):
    return 1/(1+np.exp(-z))
#2、定义代价函数
def cost(theta,X,y):
    first=y@np.log(sigmoid(X@theta))    # @表示矩阵乘法
    second=(1-y)@np.log(1-sigmoid(X@theta))
    return (first+second)/(-len(X))
#3、定义正则化代价函数
def costReg(theta,X,y,lam=1):
    _theta=theta[1:]
    reg=(lam/(2*len(X)))*(_theta@_theta)
    return cost(theta,X,y)+reg
#4、代价函数初始值
costReg(theta,X,y)

5. 高级优化算法求theta

#1、定义正则化后的梯度函数（偏导数）
def gradient(theta,X,y):
    return (X.T@(sigmoid(X@theta)-y))/(len(X))
def gradientReg(theta,X,y,lam=1):
    reg=(lam/len(X))*theta
    reg[0]=0    # 第一项没有惩罚因子
    return gradient(theta,X,y)+reg

#2、使用高级优化算法求theta
result=opt.fmin_tnc(func=costReg,x0=theta,fprime=gradientReg,args=(X,y,2))

6. 求预测准确率（进行评估）

#定义预测函数，将求得的参数theta（result） 和X（特征映射后）带入预测函数，并计算预测精度
def predict(theta,X):
    probability=sigmoid(X@theta)
    return [1 if x>=0.5 else 0 for x in probability ]
finally_theta=result[0]
predictions=predict(finally_theta,X)
correct=[1 if a==b else 0 for (a,b) in zip(predictions,y)]
accuracy=sum(correct)/len(X)
print(accuracy)

        输出的预测准确率为：0.8305084745762712

7. 绘制决策边界

x = np.linspace(-1, 1.5, 250)
xx, yy = np.meshgrid(x, x)   #生成网格点坐标矩阵
# 得到的xx,yy是array形式，维度为(250,250)
z = feature_mapping(xx.ravel(), yy.ravel(), 6).values  # xx.ravel()将xx一维化(62500,)
z = z @ finally_theta  #z.shape (62500,)
z = z.reshape(xx.shape)

fig,ax=plt.subplots(figsize=(8,6))
ax.scatter(positive['测试一'],positive['测试二'],label='接受')
ax.scatter(negetive['测试一'],negetive['测试二'],marker='x',label='未接受')
# 设置图例显示在图的上方
box = ax.get_position()  #获取轴
ax.set_position([box.x0,box.y0,box.width,box.height*0.8])  #.set_position()功能用于设置轴位置
ax.legend(loc='center left',bbox_to_anchor=(0.2,1.12),ncol=3)
ax.set_xlabel('测试一')
ax.set_ylabel('测试二')
ax.set_title('决策边界lambda为2')
plt.contour(xx,yy,z,0) # 生成等高线，0是指图像一分为二
plt.show()

        这一步绘制出的结果，如下图所示：

 

四、完整代码

import numpy as np
import pandas as pd
import matplotlib
import matplotlib.pyplot as plt
import scipy.optimize as opt
matplotlib.rcParams['font.sans-serif'] = ['SimHei']  # 用黑体显示中文
matplotlib.rcParams['axes.unicode_minus'] = False  # 可以显示负号

# 第一步 引入数据
data = pd.read_csv("D:\BaiduNetdiskDownload\ex2\ex2data2.txt", header=None, names=['测试一', '测试二', '接受'])
print(data.head())

# 第一部分 数据可视化 绘制散点图
positive = data[data['接受'].isin([1])]  # 取Admitted这一行，用isin函数查看是否存在1，若存在返回布尔值true1
negetive = data[data['接受'].isin([0])]
fig, ax = plt.subplots(figsize=(8, 5))
ax.scatter(positive['测试一'], positive['测试二'], s=50, c='b', label='接受')
ax.scatter(negetive['测试一'], negetive['测试二'], s=50, c='r', marker='x', label='未接受')
ax.legend()
ax.set_xlabel('测试一')
ax.set_ylabel('测试二')
plt.show()

# 第二部分——特征映射（为了能很好地拟合，所以我们要进行特征映射，从而得到非线性的决策边界）
# 特征映射将低维特征向量（本例中为二维）转化为高维特征向量（本例中为28维），因为特征向量的个数变多，所以需要正则化，否则容易出现过拟合。
#1.定义特征映射函数
def feature_mapping(x1,x2,power):
    data={}
    for i in np.arange(power+1):
        for p in np.arange(i+1):
            data["f{}{}".format(i-p,p)]=np.power(x1,i-p)*np.power(x2,p)
    return pd.DataFrame(data)
#2、将特征变量进行特征映射
x1=data['测试一']
x1=x1.values
x2=data['测试二']
x2=x2.values
data2=feature_mapping(x1,x2,6)
print(data2.head())
#3、重新选取变量
X=data2.values  # 将特征映射后得到的变量定义为X
y=data['接受'].values
theta=np.zeros(X.shape[1])

#第三部分 正则化代价函数
#1、定义sigmoid函数
def sigmoid(z):
    return 1/(1+np.exp(-z))
#2、定义代价函数
def cost(theta,X,y):
    first=y@np.log(sigmoid(X@theta))    # @表示矩阵乘法
    second=(1-y)@np.log(1-sigmoid(X@theta))
    return (first+second)/(-len(X))
#3、定义正则化代价函数
def costReg(theta,X,y,lam=1):
    _theta=theta[1:]
    reg=(lam/(2*len(X)))*(_theta@_theta)
    return cost(theta,X,y)+reg
#4、代价函数初始值
costReg(theta,X,y)

#第四部分 高级优化算法求theta
#1、定义正则化后的梯度函数（偏导数）
def gradient(theta,X,y):
    return (X.T@(sigmoid(X@theta)-y))/(len(X))
def gradientReg(theta,X,y,lam=1):
    reg=(lam/len(X))*theta
    reg[0]=0    # 第一项没有惩罚因子
    return gradient(theta,X,y)+reg

#2、使用高级优化算法求theta
result=opt.fmin_tnc(func=costReg,x0=theta,fprime=gradientReg,args=(X,y,2))


#第五部分  求预测准确率（进行评估）
#1、定义预测函数，将求得的参数theta（result） 和X（特征映射后）带入预测函数，并计算预测精度
def predict(theta,X):
    probability=sigmoid(X@theta)
    return [1 if x>=0.5 else 0 for x in probability ]
finally_theta=result[0]
predictions=predict(finally_theta,X)
correct=[1 if a==b else 0 for (a,b) in zip(predictions,y)]
accuracy=sum(correct)/len(X)
print(accuracy)

#或者用sklearn中的方法进行评估
'''
from sklearn.metrics import classification_report 
print(classification_report(predictions,y))
'''

#第六部分 绘制决策边界
x = np.linspace(-1, 1.5, 250)
xx, yy = np.meshgrid(x, x)   #生成网格点坐标矩阵
# 得到的xx,yy是array形式，维度为(250,250)
z = feature_mapping(xx.ravel(), yy.ravel(), 6).values  # xx.ravel()将xx一维化(62500,)
z = z @ finally_theta  #z.shape (62500,)
z = z.reshape(xx.shape)

fig,ax=plt.subplots(figsize=(8,6))
ax.scatter(positive['测试一'],positive['测试二'],label='接受')
ax.scatter(negetive['测试一'],negetive['测试二'],marker='x',label='未接受')
# 设置图例显示在图的上方
box = ax.get_position()  #获取轴
ax.set_position([box.x0,box.y0,box.width,box.height*0.8])  #.set_position()功能用于设置轴位置
ax.legend(loc='center left',bbox_to_anchor=(0.2,1.12),ncol=3)
ax.set_xlabel('测试一')
ax.set_ylabel('测试二')
ax.set_title('决策边界lambda为2')
plt.contour(xx,yy,z,0) # 生成等高线，0是指图像一分为二
plt.show()

本文是我个人的学习记录，由于本人才疏学浅，在学习的过程中是边参考着别人的知识总结边学习的，以下是我参考的链接：

(3条消息) 吴恩达机器学习课后作业深度解析（附答案）（ex2）_布衣书生real的博客-CSDN博客_吴恩达机器学习作业https://blog.csdn.net/m0_37830950/article/details/84845257

(4条消息) 吴恩达《机器学习》ex2作业第一部分Python实现——逻辑回归 参考_小牛不怕码代码的博客-CSDN博客https://blog.csdn.net/niuniukeaibu/article/details/126369245

        若大家发现本文有任何不当或不正确之处，请在评论区批评指正，我会及时查看并加以修正！若对大家有所启发请多多点赞，支持一下！谢谢！

小牛不怕码代码
关注
  • 1
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
吴恩达机器学习课程笔记+代码实现(8)正则化(Regularization)
肖泽的博客
12-14 1182
6.正则化(Regularization) 文章目录6.正则化(Regularization)6.1 过拟合的问题6.2 代价函数6.3 正则化线性回归6.4 正则化的逻辑回归模型 本章编程作业及代码实现部分见： 6.1 过拟合的问题        到现在为止，我们已经学习了线性回归和逻辑回归，它们能够有效地解决许多问题，但是当将
吴恩达《深度学习专项》笔记+代码实战（五）：深度学习的实践层面（数据集划分、偏差与方差、参数初始化、正则化）
a119334的博客
06-15 595
学习机器学习中的常用技术：数据集划分、参数初始化、正则化
吴恩达机器学习（第三周）-7、正则化（Regularization）
xiaoshun007的专栏
12-15 27
$ J(\theta) = - \frac{1}{m} \sum_{i=1}^m \large[ y^{(i)}\ \log (h_\theta (x^{(i)})) + (1 - y^{(i)})\ \log (1 - h_\theta(x^{(i)}))\large] + \frac{\lambda}{2m}\sum_{j=1}^n \theta_j^2 $$ 前文已经证明过逻辑回归和线性回归的代价函数的求导结果是一样的，此处通过给正则化项添加常数 12，则其求导结果也就一样了。
吴恩达机器学习课后练习-ex2
01-20
所用到的文件 ex2.m-Octave/MATLAB脚本，该脚本引导您完成ex2 reg.m-Octave/MATLAB脚本，用于ex2data1.txt练习的后面部分- Ex2data1.txt练习的前半部分的训练集- ex2data2.txt练习的后半部分的训练集提交。m-提交脚本，用于将您的解决方案发送到我们的服务器 mapFeature.m-生成多项式特征的函数 plot decision boundary.m-绘制分类器决策边界的函数 [?]plot data.m-打印二维分类数据的函数 [？]sigmoid.m-sigmoid功能 [？]costFunction.m-Logisti
吴恩达机器学习[8]-正则化在线性回归、logistic回归应用与python实现
踏归 的博客
07-22 566
吴恩达机器学习
吴恩达机器学习python作业之正则化逻辑回归
Ariya1234的博客
10-27 376
吴恩达机器学习python作业之正则化逻辑回归，不定时更新或者补充之前的笔记。
吴恩达老师机器学习第二次作业——逻辑回归（python实现）
Europe233的博客
05-07 1340
github地址：https://github.com/Europe233/ml_homework_py/tree/master/exercise2 【第一部分：不带正则化】 这一部分的数据是这样的： 我们用一个线性函数来分割两种不同种类的点。做完逻辑回归后结果是这样的： 代码如下： import numpy as np import scipy.optimize as opt from pl...
吴恩达机器学习课程-作业2-逻辑回归（python实现）
weixin_44027820的博客
02-28 4070
吴恩达机器学习课程-作业2-逻辑回归（python实现） 椰汁笔记 Logistic Regression 1.1 Visualizing the data 可视化数据的第一步就是读入数据，数据形式和作业相同都是txt文件。 第一列为第一门课程的成绩，第二列为第二门课程的成绩。读入方式仍然是按行读入，进行分离转换。发现这样的数据读入总是存在因此，这里封装一个读取该种类型数据文件的函数。 ...
吴恩达机器学习第二章答案ex2.rar
11-16
《吴恩达机器学习》是全球知名的在线课程“Machine Learning”教材，由人工智能领域的权威专家吴恩达教授主讲。本资源是针对该课程第二章的作业答案，旨在帮助学习者深入理解并实践课程中的理论知识。这个压缩包...
吴恩达机器学习-ex2-逻辑回归（ex2data1和ex2data2)
最新发布
04-13
在本课程中，我们将深入探讨吴恩达教授的机器学习课程中的第二课——逻辑回归（Logistic Regression）。逻辑回归是一种广泛应用于分类问题的统计模型，它不仅简单而且实用，是理解机器学习入门的一个重要概念。 ...
吴恩达机器学习课后作业——逻辑回归
红凯的博客
07-28 802
吴恩达机器学习课后作业及知识小结，本章包括逻辑回归和正则化逻辑回归等知识点
吴恩达机器学习配套作业2.2正则化逻辑回归 python实现
逆光mlz
08-15 318
在训练的第二部分，我们将要通过加入正则项提升逻辑回归算法。简而言之，正则化是成本函数中的一个术语，它使算法更倾向于“更简单”的模型（在这种情况下，模型将更小的系数）。这个理论助于减少过拟合，提高模型的泛化能力。这样，我们开始吧。 设想你是工厂的生产主管，你有一些芯片在两次测试中的测试结果。对于这两次测试，你想决定是否芯片要被接受或抛弃。为了帮助你做出艰难的决定，你拥有过去芯片的测试数据集，从其中你...
【机器学习】吴恩达作业2.0，python实现线性可分logistic逻辑回归
m0_51933492的博客
04-01 5760
2.1 Logistic回归模型 (线性可分) 预测一个学生是否被大学录取。假设你是大学某个院系的管理员，你想通过申请人在两门考试中的表现来决定每个人的录取率，你有来自以前申请人的历史数据，你可以用这些数据作为训练集建立Logistic回归，对每一个训练样本，你有申请人在两门考试中的分数和录取决定。 建立一个分类模型，基于这两门课的分数来估计申请人的录取概率。 https://blog.csdn.net/weixin_44750583/article/details/88377195 线性可分..
吴恩达机器学习作业Python实现之logistic回归带正则项
Learningisgood的博客
02-16 273
import os os.chdir('E:/ML/machine-learning-ex2') print('现在工作目录是 '+str(os.getcwd())) #可视化数据ex2data1.txt import pandas as pd import matplotlib.pyplot as plt import numpy as np ex2data1=pd.read_csv('ex2data1.txt',names=['exam1','exam2','admitted']) e.
吴恩达机器学习课后作业——逻辑回归（Python实现）
XHHP
05-24 4179
1.写在前面 吴恩达机器学习的课后作业及数据可以在coursera平台上进行下载，只要注册一下就可以添加课程了。所以这里就不写题目和数据了，有需要的小伙伴自行去下载就可以了。 作业及数据下载网址：吴恩达机器学习课程 2.逻辑回归实现 逻辑回归的作业主要包含两个任务：对决策边界进行可视化以及进行预测。下面附上代码，有详细的注释，这里就不一一解释了。 import pandas as pd import numpy as np import matplotlib.pyplot as plt import mat
吴恩达机器学习 逻辑回归 作业2（Python实现）
toufatebieduo的博客
03-20 1973
题目 在本部分的练习中，您将使用正则化的Logistic回归模型来预测一个制造工厂的微芯片是否通过质量保证（QA），在QA过程中，每个芯片都会经过各种测试来保证它可以正常运行。假设你是这个工厂的产品经理，你拥有一些芯片在两个不同测试下的测试结果，从这两个测试，你希望确定这些芯片是被接受还是拒绝，为了帮助你做这个决定，你有一些以前芯片的测试结果数据集，从中你可以建一个Logistic回归模型。 目录 1 正则化逻辑回归函数 2 思路 3 完整代码 1 正则化逻辑回归函数 ...
吴恩达逻辑回归2
starmultiple的博客
07-23 236
在这部分练习中，您将实现正则化逻辑回归预测来自制造厂的微芯片是否通过质量保证。
吴恩达机器学习 逻辑回归作业 正则化逻辑回归 决策边界绘制
qq_42474833的博客
07-29 691
观察原始数据分布 function plotData(X,y) figure; %一种类别一种画法 one=find(y==1) zero=find(y==0)%返回类别为0的下标 plot(X(one,1),X(one,2),'rx','MarkerSize',10); hold on; plot(X(zero,1),X(zero,2),'ro','MarkerFaceColor','y','MarkerSize',10);%填色操作 end 计算代价函数，求导 function g = s
吴恩达机器学习课后习题——逻辑回归
一舟的博客
07-23 816
逻辑回归算法，是一种给分类算法，这个算法的实质是它输出值永远在0到1之间。将要构建一个逻辑回归模型来预测，某个学生是否被大学录取。设想你是大学相关部分的管理者，想通过申请学生两次测试的评分，来决定他们是否被录取。现在你拥有之前申请学生的可以用于训练逻辑回归的训练样本集。对于每一个训练样本，你有他们两次测试的评分和最后是被录取的结果。为了完成这个预测任务，我们准备构建一个可以基于两次测试评分来评估录取可能性的分类模型。​​。...
吴恩达机器学习ex2
08-17
吴恩达机器学习ex2是指吴恩达在其机器学习课程中提供的第二个编程作业，即逻辑回归(Logistic Regression)的实现。这个实现是基于Matlab/Octave完成的。在这个作业中，学生需要根据给定的数据集实现逻辑回归算法，并进行模型训练和预测。 参考黄海广的笔记中的代码示例展示了一种使用Python实现的方法。首先，导入必要的库，包括numpy、pandas、matplotlib和scipy.optimize。然后，根据数据集的特点，初始化变量。代码中cols变量表示数据集的列数，X2表示除了第一列外的所有列的数据，y2表示第一列的数据。接下来，将X2和y2转换为数组类型，并创建一个长度为11的零数组theta2。最后，设定正则化参数为1，计算代价和梯度。 关于具体算法实现的细节，包括代价函数(costreg)和梯度函数(gradientReg)，可以参考实际代码。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [【机器学习】 吴恩达机器学习作业 ex2逻辑回归 Matlab实现](https://blog.csdn.net/m0_52427832/article/details/125358227)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *2* *3* [吴恩达《机器学习》课后测试Ex2：逻辑回归（详细Python代码注解）](https://blog.csdn.net/qq_44577070/article/details/120644061)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小牛不怕码代码

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值